3.4 အဘယ်သူမေးရန်

ဒီဘာသာပြန်ချက်ကွန်ပျူတာအသုံးပြုနေသူများကဖန်တီးခဲ့ပါတယ်။ ×

3.4 အဘယ်သူမေးရန်

ဒီဂျစ်တယ်ခေတ်ခက်ခဲလက်တွေ့ဖြစ်နိုင်ခြေနမူနာအောင်နှင့် Non-ဖြစ်နိုင်ခြေနမူနာအဘို့အခွင့်အလမ်းသစ်များဖန်တီး။

ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများနှင့် Non-ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများ: နမူနာများ၏သမိုင်းမှာတော့နှစ်ခုယှဉ်ပြိုင်ချဉ်းကပ်မှုတှေရှိခဲ့တယျ။ နှစ်ဦးစလုံးချဉ်းကပ်နမူနာများ၏အစောပိုင်းကာလများတွင်အသုံးပြုခဲ့ကြသည်သော်လည်း, ဖြစ်နိုင်ခြေနမူနာလွှမ်းမိုးလာနှင့်များစွာသောလူမှုရေးသုတေသီများကြီးမြတ်သံသယတွေနဲ့ Non-ဖြစ်နိုင်ခြေနမူနာကြည့်ရှုရန်ဆုံးမသွန်သင်ကြသည်။ ငါကိုအောက်တွင်ဖော်ပြပါမည်ကဲ့သို့သောသို့သော်, ဒီဂျစ်တယ်ခေတ်အသုံးပြုနေသူများကဖန်တီးသောအပြောင်းအလဲကြောင့်သုတေသီများသည် non-ဖြစ်နိုင်ခြေနမူနာပြန်လည်စဉ်းစားရန်အချိန်ကြောင်းဆိုလိုတာ။ အထူးသဖြင့်, ဖြစ်နိုင်ခြေနမူနာလက်တွေ့လုပ်ဖို့ခဲယဉ်းရရှိလာခဲ့သည်နှင့် Non-ဖြစ်နိုင်ခြေနမူနာ, ပိုမိုမြန်ဆန်စျေးနှုန်းချိုသာရတဲ့နှင့်ပိုမိုကောင်းမွန်လျက်ရှိသည်။ သူတို့ထိုကဲ့သို့သောပိုပြီးမကြာခဏစစ်တမ်းများနှင့်ပိုမိုကြီးမားနမူနာအရွယ်အစားအဖြစ်အသစ်သောအခွင့်အလမ်းများကို enable: ပိုမြန်ခြင်းနှင့်စျေးနှုန်းချိုသာစစ်တမ်းများရုံသူတို့ကိုယ်သူတို့အတွက်အဆုံးသတ်မရှိကြပေ။ ဥပမာအားဖြင့်, Non-ဖြစ်နိုင်ခြေနည်းလမ်းများကို အသုံးပြု. သမဝါယမကွန်ဂရက်ရွေးကောက်ပွဲလေ့လာမှု (CCES) ဖြစ်နိုင်ခြေနမူနာသုံးပြီးအစောပိုင်းကလေ့လာမှုများထက်အကြမ်းဖျင်း 10 ဆပိုသင်တန်းသားများကိုရှိသည်ဖို့တတ်နိုင်သည်။ ဒါကအများကြီးပိုကြီးတဲ့နမူနာလူမျိုးကွဲနှင့်လူမှုရေးအခင်းအကျင်းကိုဖြတ်ပြီးသဘောထားများနှင့်အပြုအမူအတွက်အပြောင်းအလဲလေ့လာနိုင်ငံရေးသုတေသီများနိုင်ပါတယ်။ ထို့ပြင်ဒီကဆက်ပြောသည်စကေးအပေါငျးတို့သခန့်မှန်းချက်၏အရည်အသွေးအတွက်လျှောက်လျော့နည်းခြင်းမရှိဘဲသို့ရောက်လာသော (Ansolabehere and Rivers 2013) ။

လက်ရှိတွင်လူမှုရေးသုတေသနများအတွက်နမူနာဖို့ကြီးစိုးချဉ်းကပ်မှုဖြစ်နိုင်ခြေနမူနာဖြစ်ပါတယ်။ ဖြစ်နိုင်ခြေနမူနာမှာတော့ပစ်မှတ်လူဦးရေရဲ့အားလုံးအဖွဲ့ဝင်များနမူနာခံတစ်ဦးမသိ, nonzero ဖြစ်နိုင်ခြေရှိသည်, နှင့်ပြည်သူပြည်သားအပေါင်းစစ်တမ်းမှတုံ့ပြန်နမူနာကြသူ။ ဤအခြေအနေများတွေ့ဆုံခဲ့ကြသောအခါ, ကြော့သင်္ချာရလဒ်များပစ်မှတ်လူဦးရေနှင့်ပတ်သက်ပြီးအခြစေရန်နမူနာသုံးစွဲဖို့တစ်သုတေသီရဲ့စွမ်းရည်အကြောင်းကို provable အာမခံချက်ကိုဆက်ကပ်။

အစစ်အမှန်လောကရှိ, သို့သော်ဤသင်္ချာရလဒ်များကိုအခြေခံအခြေအနေမရှိသလောက်တွေ့ဆုံခဲ့ကြသည်။ ဥပမာအားဖြင့်, လွှမ်းခြုံအမှားအယွင်းများနှင့် nonresponse မကြာခဏရှိပါတယ်။ ကြောင့်ဤပြဿနာများ၏သုတေသီများကမကြာခဏသူတို့ရဲ့ပစ်မှတ်လူဦးရေသူတို့ရဲ့နမူနာကနေအခြစေနိုင်ရန်အတွက်စာရင်းအင်းချိန်ညှိအမျိုးမျိုး employ ရန်ရှိသည်။ ထို့ကွောငျ့ခိုငျမာသီအိုရီအာမခံချက်ရှိပြီးဖြစ်သောသီအိုရီ, နှင့်မျှမတို့ကဲ့သို့သောအာမခံချက်များကမ်းလှမ်းခြင်းနှင့်စာရင်းအင်းချိန်ညှိအမျိုးမျိုးပေါ်မူတည်သည့်အလေ့အကျင့်အတွက်ဖြစ်နိုင်ခြေနမူနာအတွက်ဖြစ်နိုင်ခြေနမူနာများအကြားခွဲခြားရန်အရေးကြီးပါသည်။

အချိန်ကျော်, အလေ့အကျင့်အတွက်သီအိုရီများနှင့်ဖြစ်နိုင်ခြေနမူနာအတွက်ဖြစ်နိုင်ခြေနမူနာများအကြားခြားနားချက်များကိုတိုးမြှင့်ပြီ။ ဥပမာအားဖြင့်, nonresponse နှုန်းထားများပင်မြင့်မားသောအရည်အသွေး, စျေးကြီးစစ်တမ်းများ (ပုံ 3.5) အတွက်တိုးပွားလာတဖြည်းဖြည်းပါပြီ (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) ။ Nonresponse နှုန်းထားများစီးပွားဖြစ်တယ်လီဖုန်းစစ်တမ်းများ-တစ်ခါတစ်ရံတွင် 90% အဖြစ်ပင်အဖြစ်မြင့်မားတဲ့အတွက်အများကြီးပိုမိုမြင့်မားများမှာ (Kohut et al. 2012) ။ အဆိုပါခန့်မှန်းချက်ကိုတိုးသုတေသီများ nonresponse အဘို့ကိုထိန်းညှိဖို့သုံးကြောင်းစာရင်းအင်းမော်ဒယ်များအပေါ်မူတည်နေသောကြောင့် nonresponse တွင်ဤတိုးခန့်မှန်းချက်၏အရည်အသွေးခြိမ်းခြောက်။ ထို့ပြင်အရည်အသွေးသည်ဤလျှောက်လျော့နည်းမြင့်သောတုန့်ပြန်မှုနှုန်းကိုဆက်လက်ထိန်းသိမ်းထားဖို့စစ်တမ်းကောက်သုတေသီများအားဖြင့် ပို. ပို. စျေးကြီးအားထုတ်မှုရှိနေသော်လည်းဖြစ်ပျက်ပါပြီ။ တချို့လူတွေကအရည်အသွေးနှင့်တိုးပွားလာကုန်ကျစရိတ်လျော့ကျလာဤအမွှာခေတ်ရေစီးကြောင်းစစ်တမ်းသုတေသန၏အခြေခံအုတ်မြစ်ကိုခြိမ်းခြောက်သည်ဟုမကြောက်ရွံ့ဘဲ (National Research Council 2013) ။

ပုံ 3.5: Nonresponse ပင်အရည်အသွေးမြင့်စျေးကြီးစစ်တမ်းများ (; ခဃ Meyer, Mok နှင့် Sullivan က 2015 အမျိုးသားသုတေသနကောင်စီ 2013) ခုနှစ်, ပို. ပို. တဖြည်းဖြည်းဖြစ်ခဲ့သည်။ Nonresponse နှုန်းထားများ 90% အဖြစ်တစ်ခါတစ်ရံတွင်ပင်အဖြစ်မြင့်မားသောစီးပွားဖြစ်တယ်လီဖုန်းစစ်တမ်းများ, (Kohut et al ။ 2012) တို့အတွက်ပိုများသည်။ nonresponse တွင်ဤရေရှည်ခေတ်ရေစီးကြောင်းဒေတာစုဆောင်းခြင်းကိုပိုစျေးကြီးသည်နှင့်ခန့်မှန်းချက်လျော့နည်းယုံကြည်စိတ်ချရသောဖြစ်ကြောင်းဆိုလို။ ခဃ Meyer, Mok နှင့် Sullivan က (2015), ပုံ 1 မှအဆင်ပြေအောင်။

ပုံ 3.5: Nonresponse ပင်အရည်အသွေးမြင့်စျေးကြီးစစ်တမ်းများအတွက် ပို. ပို. တဖြည်းဖြည်းခဲ့ (National Research Council 2013; BD Meyer, Mok, and Sullivan 2015) ။ Nonresponse နှုန်းထားများ 90% အဖြစ်တစ်ခါတစ်ရံတွင်ပင်အဖြစ်မြင့်မားသောစီးပွားဖြစ်တယ်လီဖုန်းစစ်တမ်းများများအတွက်အများကြီးပိုမိုမြင့်မားများမှာ (Kohut et al. 2012) ။ nonresponse တွင်ဤရေရှည်ခေတ်ရေစီးကြောင်းဒေတာစုဆောင်းခြင်းကိုပိုစျေးကြီးသည်နှင့်ခန့်မှန်းချက်လျော့နည်းယုံကြည်စိတ်ချရသောဖြစ်ကြောင်းဆိုလို။ ကနေအဆင်ပြေအောင် BD Meyer, Mok, and Sullivan (2015) , ပုံ 1 ။

ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများများအတွက်အခက်အခဲများရှိကြီးထွားလာခဲ့ပြီးသောတစ်ချိန်တည်းမှာပင်လည်း Non-ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများအတွက်စိတ်လှုပ်ရှားစရာတိုးတက်မှုတွေရှိခဲ့သညျ။ အဲဒီမှာ Non-ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းစတိုင်များအမျိုးမျိုးရှိပါတယ်, ဒါပေမဲ့သူတို့ဘုံထဲမှာရှိသည်သောတဦးတည်းအရာသူတို့ကအလွယ်တကူဖြစ်နိုင်ခြေနမူနာများ၏သင်္ချာအခြေခံမူဘောင်အတွက် fit မနိုငျသောကွောငျ့ဖွစျသညျ (Baker et al. 2013) ။ တနည်းအားဖြင့် Non-ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများထဲမှာမလူတိုင်းပါဝင်၏လူသိများနှင့် nonzero ဖြစ်နိုင်ခြေရှိပါတယ်။ non-ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများလူမှုရေးသုတေသီများအကြားတစ်ဦးကြောက်မက်ဘွယ်သောဂုဏ်သတင်းရှိသည်နှင့်သူတို့ထိုသို့သောစာပေ Digest မဂ္ဂဇင်း fiasco အဖြစ်စစ်တမ်းသုတေသီများ၏အများဆုံးသိသိသာသာကျရှုံးအချို့နှင့်ဆက်စပ်နေကြသည် (အဆိုပါနှစ်ထက်လည်းစောသောဆွေးနွေးကြသည်) နှင့်အမေရိကန် ပတ်သက်. မမှန်ကန်ကြောင်းခန့်မှန်း "Dewey, Truman မာ" 1948 ၏သမ္မတရွေးကောက်ပွဲ (ပုံ 3.6) ။

ပုံ 3.6: နိုင်ငံတော်သမ္မတဟယ်ရီ Truman မှားယွင်းစွာသည်သူ၏ရှုံးနိမ့်ကြေညာခဲ့သောကြောင့်သတင်းစာများ၏ခေါင်းစဉ်တက်ကိုင်။ ဒါကခေါင်းစဉ် Non-ဖြစ်နိုင်ခြေနမူနာအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုပေါ်တစ်စိတ်တစ်ပိုင်းအခြေစိုက်ခဲ့သည် (Mosteller 1949; Bean 1950; Freedman, Pisani, and Purves 2007) ။ 1948 ခုနှစ်တွင်ဖြစ်ပျက် "Dewey Truman မာ" ဖြစ်သော်လည်း, အချို့သုတေသီများသည် non-ဖြစ်နိုင်ခြေနမူနာအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုအကြောင်းကိုသံသယဖြစ်ကြသည်သောအကြောင်းပြချက်အကြားနေတုန်းပဲဖြစ်ပါတယ်။ ရင်းမြစ်: Harry S. Truman စာကြည့်တိုက် & ပြတိုက် ။

ဒီဂျစ်တယ်ခေတ်မှသင့်လျော်အထူးသကြောင်း Non-ဖြစ်နိုင်ခြေနမူနာတစ်ခုမှာပုံစံအွန်လိုင်းပြားများအသုံးပြုမှုဖြစ်ပါတယ်။ အွန်လိုင်းပြားကို အသုံးပြု. သုတေသီများစစ်တမ်းများအဘို့အဖြေဆိုသူအဖြစ်အစေခံရန်သဘောတူသူတွေကို၏ကြီးမားသော, ကွဲပြားခြားနားအုပ်စုတစ်စုတည်ဆောက်ရန်တက္ကသိုလ်-အချို့ panel ကိုပံ့ပိုးပေး-များသောအားဖြင့်ကုမ္ပဏီ, အစိုးရ, ဒါမှမဟုတ်ပေါ်မူတည်သည်။ ဤရွေ့ကား panel ကသင်တန်းသားများကိုမကြာခဏထိုကဲ့သို့သောအွန်လိုင်းကြော်ငြာအဖြစ် ad hoc နည်းလမ်းများအမျိုးမျိုးသုံးပြီးစုဆောင်းနေကြသည်။ ထို့နောက်တစ်ဦးသုတေသီတပ်မက်လိုချင်သောအသွင်ပြင်လက္ခဏာများ (ဥပမာအရွယ်ရောက်ပြီးတစ်နိုင်ငံလုံးကိုယ်စားလှယ်) နှင့်ဖြေဆိုသူတစ်နမူနာဝင်ရောက်ခွင့်များအတွက် panel ကိုပံ့ပိုးပေးပေးဆောင်နိုင်ပါ။ လူတိုင်းမပါဝင်တစ်ဦးမသိ, nonzero ဖြစ်နိုင်ခြေရှိပါတယ်ကြောင့်ဤအွန်လိုင်းပြား Non-ဖြစ်နိုင်ခြေနည်းလမ်းများကိုဖြစ်ကြသည်။ Non-ဖြစ်နိုင်ခြေအွန်လိုင်းပြားပြီးသားလူမှုရေးသုတေသီများ (ဥပမာ, အ CCES) ကအသုံးပြုလျက်ရှိသော်လည်း, သူတို့ထံမှလာသည်ဟုခန့်မှန်း၏အရည်အသွေးနှင့်ပတ်သက်ပြီးအချို့ဆွေးနွေးငြင်းခုံနေတုန်းပဲရှိသေး၏ (Callegaro et al. 2014) ။

ဤအငြင်းခုံမှုများရှိနေသော်လည်း, ငါသည်လူမှုရေးသုတေသီများသည် non-ဖြစ်နိုင်ခြေနမူနာပြန်လည်စဉ်းစားရန်အဘို့အအခြိနျမှန်သည်အဘယ်ကြောင့်နှစ်ဦးကိုအကြောင်းပြချက်ရှိပါတယ်ထင်ပါတယ်။ ပထမဦးစွာဒီဂျစ်တယ်ခေတ်ထဲမှာ Non-ဖြစ်နိုင်ခြေနမူနာများစုဆောင်းခြင်းနှင့်ခွဲခြမ်းစိတ်ဖြာအများအပြားဖြစ်ပေါ်တိုးတက်မှုရှိခဲ့ပါပြီ။ ဤရွေ့ကားအသစ်များနည်းလမ်းများငါကအဖြစ်သူတို့ထဲကစဉ်းစားရန်သဘာဝကျပါတယ်ထင်သောအတိတ်တွင်ပြဿနာများဖြစ်ပေါ်စေသောနည်းလမ်းများအနေဖြင့်လုံလောက်အောင်ကွဲပြားခြားနားကြသည် "Non-ဖြစ်နိုင်ခြေနမူနာ 2.0 ။ " သုတေသီများသည် non-ဖြစ်နိုင်ခြေနမူနာပြန်လည်စဉ်းစားသင့်ပါတယ်ဘာကြောင့်ဒုတိယအကြောင်းပြချက်အတွက်ကြောင့်အဖြစ်နိုင်ခြေနမူနာဖြစ်ပါသည် အလေ့အကျင့်တိုးခက်ခဲဖြစ်လာရသည်။ မြင့်မားမှုနှုန်းရှိပါတယ်တဲ့အခါမှာအစစ်အမှန်စစ်တမ်းများရှိ Non-တုံ့ပြန်မှု-အဖြစ်ဖြေဆိုသူအဘို့အပါဝင်၏ယခု-အမှန်တကယ်ဖြစ်နိုင်ခြေကိုမသိရ, များနှင့်အရှင်, ဖြစ်နိုင်ခြေနမူနာများနှင့် Non-ဖြစ်နိုင်ခြေနမူနာအများအပြားသုတေသီများယုံကြည်သကဲ့သို့ကွဲပြားခြားနားကြသည်မဟုတ်။ ဖြစ်ကြောင်း

ငါအစောပိုင်းကပြောခဲ့သကဲ့သို့, Non-ဖြစ်နိုင်ခြေနမူနာဘာဖြစ်လို့လဲဆိုတော့စစ်တမ်းသုတေသန၏အစောပိုင်းကာလများတွင်အများဆုံးရှက်စရာမအောင်မြင်မှုများအချို့အတွက်၎င်းတို့၏အခန်းကဏ္ဍ၏အစိတ်အပိုင်းအတွက်များစွာသောလူမှုရေးသုတေသီများအားဖြင့်ကြီးမြတ်သံသယတွေနဲ့ကြည့်ရှုအားပေးကြသည်။ ကျနော်တို့ Non-ဖြစ်နိုင်ခြေနမူနာအတူပါလာကြပါပြီဘယ်လောက်ဝေး၏တစ်ဦးကရှင်းလင်းပြတ်သားတဲ့ဥပမာဝေဝမ်, ဒါဝိဒ်သည် Rothschild, Sharad Goel နှင့်အင်ဒရူး Gelman အားဖြင့်သုတေသနဖြစ်ပါတယ် (2015) ကိုမှန်ကန်စွာ၏ non-ဖြစ်နိုင်ခြေနမူနာကို အသုံးပြု. 2012 ခုနှစ်အမေရိကန်ရွေးကောက်ပွဲရလဒ်ကိုပြန်လည်ကောင်းမွန်ကြောင်း အမေရိကန်, Xbox အသုံးပြုသူများသည်-တစ်ဦးအမေရိကန် decidedly nonrandom နမူနာ။ အဆိုပါသုတေသီများ Xbox ဂိမ်း system ထဲကနေဖြေဆိုသူစုဆောင်း, နှင့်သင်မျှော်လင့်ထားလိမ့်မယ်သကဲ့သို့, Xbox နမူနာယောက်ျားနှင့် skewed ငယ်ရွယ် skewed: 18- မှ 29 နှစ်အရွယ်မဲဆန္ဒရှင်များ၏ 19% ပေမယ့်, Xbox နမူနာ၏ 65%, လူတက်အောင် မဲဆန္ဒရှင်များ၏ 47% ပေမယ့်, Xbox နမူနာ (ပုံ 3.7) ၏ 93% တက်ပါစေ။ သောကြောင့်ဤအအားကောင်းတဲ့လူဦးရေဆိုင်ရာဘက်လိုက်မှု၏, ထိုကုန်ကြမ်း, Xbox ဒေတာရွေးကောက်ပွဲကိုပြန်၏ဆင်းရဲသားညွှန်ပြချက်ဖြစ်ခဲ့သည်။ ဒါဟာဘရက်ခ်အိုဘားမားကျော်ပါတီမှမစ်ရွမ်နေသာအဘို့ခိုင်ခံ့အောင်ပွဲခန့်မှန်းခဲ့ပါတယ်။ တနည်းကား, ဒီကုန်ကြမ်း, unadjusted Non-ဖြစ်နိုင်ခြေနမူနာများ၏အန္တရာယ်များ၏နောက်ဥပမာတစ်ခုဖြစ်သည်နှင့်စာပေ Digest မဂ္ဂဇင်း fiasco ၏ဆင်တူသည်။

ဒဗလျူဝမ် et al အတွက်ဖြေဆိုသူဒေသစစ်တမ်းများ: 3.7 ပုံ။ (2015) ။ ဖြေဆိုသူ Xbox ကနေစုဆောင်းခဲ့ကြသောကြောင့်, သူတို့က 2012 ခုနှစ်ရွေးကောက်ပွဲတွင်မဲဆန္ဒရှင်မှဆွေမျိုး, ငယ်ရွယ်ပြီးအထီးဖြစ်ပိုမိုဖြစ်နိုင်ဖွယ်ဖြစ်ပိုမိုဖြစ်နိုင်ဖွယ်ရှိကြ၏။ ဒဗလျူဝမ် et al ထံမှအဆင်ပြေအောင်။ (2015), ပုံ 1 ။

အတွင်းဖြေဆိုသူဒေသစစ်တမ်းများ: 3.7 ပုံ W. Wang et al. (2015) ။ ဖြေဆိုသူ Xbox ကနေစုဆောင်းခဲ့ကြသောကြောင့်, သူတို့က 2012 ခုနှစ်ရွေးကောက်ပွဲတွင်မဲဆန္ဒရှင်မှဆွေမျိုး, ငယ်ရွယ်ပြီးအထီးဖြစ်ပိုမိုဖြစ်နိုင်ဖွယ်ဖြစ်ပိုမိုဖြစ်နိုင်ဖွယ်ရှိကြ၏။ ကနေအဆင်ပြေအောင် W. Wang et al. (2015) , ပုံ 1 ။

သို့သော်ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များကဒီပြဿနာတွေကိုသတိပြုမိခဲ့ကြသည်နှင့်အခန့်မှန်းချက်အောင်တဲ့အခါသူတို့ရဲ့ Non-ကျပန်းနမူနာလုပ်ငန်းစဉ်ကိုထိန်းညှိဖို့ကြိုးစားခဲ့တယ်။ အထူးသဖြင့်သူတို့မှာလည်းကျယ်ပြန့်လွှမ်းခြုံအမှားအယွင်းများနှင့် Non-တုံ့ပြန်မှုရှိသည်သောဖြစ်နိုင်ခြေနမူနာကိုထိန်းညှိဖို့အသုံးပြုပါတယ်တဲ့ technique ကို Post-stratification ကိုအသုံးပြုခဲ့သည်။

Post-stratification ၏အဓိကစိတ်ကူးနမူနာကနေကြွလာသောခန့်မှန်းချက်လာအောင်ကူညီပေးပါပစ်မှတ်လူဦးရေနှင့်ပတ်သက်ပြီးအရန်သတင်းအချက်အလက်သုံးစွဲဖို့ဖြစ်ပါတယ်။ သူတို့ရဲ့ Non-ဖြစ်နိုင်ခြေနမူနာအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုလုပ် Post-stratification သုံးပြီးတဲ့အခါ, ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်, ကွဲပြားခြားနားသောအုပ်စုများသို့လူဦးရေကုန်တယ်အုပ်စုတစ်ခုချင်းစီအတွက်သမ္မတအိုဘားမားများအတွက်ထောက်ခံမှုခန့်မှန်း, ပြီးတော့တစ်ဦးစုစုပေါင်းခန့်မှန်းထုတ်လုပ်ရန်အုပ်စုခန့်မှန်းတဲ့ချိန်ပျမ်းမျှအားယူခဲ့ပါတယ်။ ဥပမာအားဖြင့်, သူတို့နှစ်ခုအုပ်စုများ (ယောက်ျားမိန်းမတို့) သို့လူဦးရေခွဲယောက်ျားမိန်းမတို့အကြားအိုဘားမားထောက်ခံမှုခန့်မှန်း, ပြီးတော့အမျိုးသမီးတွေပါစေဆိုတဲ့အချက်ကိုများအတွက်အကောင့်နိုင်ရန်အတွက်တစ်ချိန်ပျမ်းမျှအားယူပြီးအားဖြင့်အိုဘားမားခြုံငုံထောက်ခံမှုခန့်မှန်းနိုင် မဲဆန္ဒရှင်များ၏ 53% တက်နှင့်ယောက်ျား 47% ။ အကြမ်းအားဖြင့်, Post-stratification သည့်အုပ်စုများ၏အရွယ်အစားနှင့်ပတ်သက်ပြီးအရန်သတင်းအချက်အလက်အတွက်ဆောင်ခဲ့သဖြင့်တစ်ဦး imbalanced နမူနာများအတွက်မှန်ကန်သောကူညီပေးသည်။

Post-stratification မှတံခါးသော့ကိုလက်ျာဘက်အုပ်စုများဖွဲ့စည်းရန်ဖြစ်ပါသည်။ သင်တုံ့ပြန်မှုတို့ကိုလိုလားသောဆက်ဆံရေးကိုတစ်ဦးချင်းစီအုပ်စုတွင်လူတိုင်းအတွက်အတူတူဖြစ်ကြောင်းထိုကဲ့သို့တစ်သားတည်းဖြစ်တည်ခြင်းအုပ်စုများသို့လူဦးရေထခုတ်နိုင်လျှင်, ထို့နောက် Post-stratification ဘက်မလိုက်ခန့်မှန်းချက်ထုတ်လုပ်ပါလိမ့်မယ်။ လူအပေါင်းတို့သည်တုံ့ပြန်မှု propensity ရှိသည်နှင့်ရှိသမျှသောမိန်းမတို့သည်အတူတူပင်တုံ့ပြန်မှု propensity ရှိပါကတနည်းအားဖြင့်ကျား, မများက Post-stratifying ဘက်မလိုက်ခန့်မှန်းချက်ထုတ်လုပ်ပါလိမ့်မယ်။ ဒီအယူဆဟာတစ်သားတည်းဖြစ်တည်ခြင်း-တုံ့ပြန်မှု-လိုလားသောဆက်ဆံရေး-အတွင်း-အုပ်စုများယူဆချက်ကိုခေါ်, ငါဒီအခန်းရဲ့အဆုံးမှာသင်္ချာမှတ်စုထဲမှာနည်းနည်းပိုပြီးပြုလုပ်ဖော်ပြရန်ဖြစ်ပါတယ်။

၏သင်တန်းကတုန့်ပြန်လိုလားသောဆက်ဆံရေးကိုလူအပေါင်းတို့အပေါင်းတို့နှင့်မိန်းမတို့အဘို့အတူတူဖြစ်လိမ့်မည်ဟုမဖြစ်နိုင်ပုံရသည်။ သို့သော်တစ်သားတည်းဖြစ်တည်ခြင်း-တုံ့ပြန်မှု-လိုလားသောဆက်ဆံရေး-အတွင်း-အုပ်စုများယူဆချက်အုပ်စုများတိုး၏နံပါတ်အဖြစ်ပိုပြီးယုတ္တိတန်သည်ဟုဆိုရမည်ဖြစ်လာသည်။ သင်ပိုမိုအုပ်စုများဖန်တီးလျှင်အကြမ်းအားဖြင့်, ကတစ်သားတည်းဖြစ်တည်ခြင်းအုပ်စုများသို့လူဦးရေခုတ်ဖို့ပိုပြီးလွယ်ကူဖြစ်လာသည်။ ဥပမာအားဖြင့်, ကအားလုံးကိုအမျိုးသမီးတွေဟာတူညီတဲ့တုန့်ပြန် propensity ရှိသည် implausible ထင်ပေမယ့်ကောလိပ်ကနေဘွဲ့ရတဲ့သူ 18-29 အသက်နေကြသည်သောသူအပေါင်းတို့သည်အမျိုးသမီးများ, များအတွက်တူညီသောတုံ့ပြန်မှု propensity ရှိကွောငျးကိုပိုပြီးယုတ္တိတန်သည်ဟုဆိုရမည်ထင်နှင့်အဘယ်သူသည်ကယ်လီဖိုးနီးယားတွင်နေထိုင်နေကြသည် ။ Post-stratification များတွင်အသုံးပြုအုပ်စုများ၏အရေအတွက်ကိုပိုမိုကြီးမားရရှိသွားတဲ့အဖြစ်ထို့ကြောင့်အဆိုပါယူဆချက်ကိုပိုမိုကျိုးကြောင်းဆီလျော်ဖြစ်လာသည့်နည်းလမ်းကိုပံ့ပိုးပေးရန်လိုအပ်ခဲ့ပါတယ်။ ဤအချက်ကိုပေးထားသောသုတေသီများကမကြာခဏ Post-stratification များအတွက်အုပ်စုများ၏ကြီးမားသောအရေအတွက်ကဖန်တီးချင်တယ်။ ဒေတာ sparsity: သို့သော်လည်းအုပ်စုများတိုး၏နံပါတ်အဖြစ်, သုတေသီများတစ်ဦးကွဲပြားခြားနားပြဿနာသို့ပြေး။ ကလူကသာသေးငယ်တဲ့အရေအတွက်ကတစ်ဦးချင်းစီအုပ်စုရှိပါတယ်လျှင်, ထိုခန့်မှန်းချက်ကိုပိုပြီးမသေချာမရေရာဖြစ်မည်, အဘယ်သူမျှမဖြေဆိုသူရှိကြောင်းအဖွဲ့တစ်ဖွဲ့လည်းမရှိရှိရာအစွန်းရောက်အမှု၌, ထို့နောက် Post-stratification လုံးဝဆင်းချိုးတော်မူ၏။

အဆိုပါတစ်သားတည်းဖြစ်တည်ခြင်း-တုံ့ပြန်မှု-propensity-အတွင်း-အုပ်စုများယူဆချက်၏ယုတ္တိတန်သည်ဟုဆိုရမည်နှင့်တစ်ဦးချင်းစီအုပ်စုတွင်ကျိုးကြောင်းဆီလျော်နမူနာအရွယ်အစားများအတွက်ဝယ်လိုအားအကြားကဒီမွေးရာပါတင်းမာမှုထဲကနည်းလမ်းနှစ်ခုရှိပါတယ်။ ပထမဦးစွာသုတေသီများအုပ်စုတစ်ခုချင်းစီအတွက်ကျိုးကြောင်းဆီလျော်နမူနာအရွယ်အစားသေချာကူညီပေးသည်ထားတဲ့ပိုကြီးတဲ့, ပိုမိုကွဲပြားခြားနားနမူနာ, စုဆောင်းထားနိုင်ပါတယ်။ ဒုတိယအချက်မှာသူတို့အုပျစုအတှငျးရှိခန့်မှန်းအောင်များအတွက်ပိုမိုခေတ်မီစာရင်းအင်းမော်ဒယ်ကိုသုံးနိုင်သည်။ ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များ, Xbox ထံမှဖြေဆိုသူသုံးပြီးရွေးကောက်ပွဲကသူတို့လေ့လာမှုကိုပြုသကဲ့သို့, တကယ်တော့, တခါတရံတွင်သုတေသီများ, နှစ်ဦးစလုံးလုပ်ပါ။

သူတို့ (ကျနော်အပိုင်း 3.5 အတွက်ကွန်ပျူတာအုပ်ချုပ်ခွင့်အင်တာဗျူးအကြောင်းပိုမိုစကားပြောပါလိမ့်မယ်) ကွန်ပျူတာအုပ်ချုပ်ခွင့်အင်တာဗျူးတွေနဲ့အတူ non-ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းကိုသုံးပြီးခဲ့ကြသည်သောကြောင့်, ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များက 345.858 ထူးခြားတဲ့သင်တန်းသားများအနေဖြင့်သတင်းအချက်အလက်စုဆောင်းရန်သူတို့ကို enabled ထားတဲ့အလွန်စျေးသိပ်မကြီးတဲ့ဒေတာစုဆောင်းခြင်း, ရှိခဲ့ပါတယ် ရွေးကောက်ပွဲမဲရုံများ၏စံချိန်စံညွှန်းအားဖြင့်ကြီးမားတဲ့အရေအတွက်ကို။ ဤသည်ကြီးမားသောနမူနာအရွယ်အစား Post-stratification အုပ်စုများ၏ကြီးမားသောအရေအတွက်အားဖွဲ့စည်းရန်သူတို့ကို enabled ။ Post-stratification ပုံမှန်အားအုပ်စုများရာပေါင်းများစွာသို့လူဦးရေခုတ်ကပါဝင်ပတ်သက်, ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များကကျား, မ (2 အမျိုးအစား) ကသတ်မှတ် 176.256 အုပ်စုများသို့လူဦးရေပိုင်းခွဲသွားရမည်အကြောင်း, ပြိုင်ပွဲ (4 အမျိုးအစား), အသက် (4 အမျိုးအစား), ပညာရေး (4 အမျိုးအစား), ပြည်နယ် (51 အမျိုးအစား), ပါတီ ID ကို (3 အမျိုးအစား), သဘောတရား (3 အမျိုးအစား) နှင့် 2008 မဲ (3 အမျိုးအစား) ။ တနည်းအားဖြင့်အနိမ့်ကုန်ကျစရိတ်ဒေတာစုဆောင်းခြင်းအားဖြင့် enabled ခဲ့သည့်မိမိတို့၏ကြီးမားနမူနာအရွယ်အစား, သူတို့ရဲ့ခန့်မှန်းချက်လုပ်ငန်းစဉ်များတွင်တစ်ဦးထက်ပိုယုတ္တိတန်သည်ဟုဆိုရမည်ယူဆချက်ပါစေခြင်းငှါသူတို့ enabled ။

တောင်မှ 345.858 ထူးခြားတဲ့သင်တန်းသားများနှင့်အတူသို့သော်ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များနီးပါးမျှဖြေဆိုသူရှိခဲ့ရာအဘို့အများကြီးအုပ်စုများနေဆဲရှိကြ၏။ ထို့ကြောင့်သူတို့အုပ်စုတစ်ခုချင်းစီအတွက်ထောက်ခံမှုခန့်မှန်းရန် multilevel ဆုတ်ယုတ်လို့ချေါတဲ့ technique ကိုအသုံးပြုခဲ့သည်။ အမှန်ကတော့တစ်ဦးသတ်သတ်မှတ်မှတ်အုပ်စုတစ်စုအတွင်းသမ္မတအိုဘားမားများအတွက်ထောက်ခံမှုခန့်မှန်းခြင်းငှါ, multilevel ဆုတ်ယုတ်အများအပြားနီးကပ်စွာဆက်နွယ်သည့်အုပ်စုများထံမှသတင်းအချက်အလက်ထို့နောက်ပါတီအသီးသီးမှ။ ဥပမာအားဖြင့်, အလယ်အလတ်အဖြစ် Self-ခွဲခြားသတ်မှတ်သူကိုမှတ်ပုံတင်ဒီမိုကရက်နေသောကောလိပ်ဘွဲ့ရ, နေသောအသက် 18 အကြား 29 နှစ်သမီးအရွယ်အမျိုးသမီးအစွမ်းကုန်ကြားတွင်သမ္မတအိုဘားမားများအတွက်ထောက်ခံမှုခန့်မှန်းဖို့ကြိုးစားနေစိတ်ကူးနှင့်သူကိုဒီတစ်ဦးအလွန်ဖြစ်ပါတယ် 2008 ခုနှစ်သမ္မတအိုဘားမားကအဘို့အမဲ အလွန်တိကျသောအုပ်စုနှင့်ဤလက္ခဏာများနှင့်အတူနမူနာထဲမှာဘယ်သူမှလည်းမရှိကြောင်းဖြစ်နိုင်ပါတယ်။ ထို့ကြောင့်ဤအုပ်စုသည်အကြောင်းကိုခန့်မှန်းစေပါရန်, multilevel ဆုတ်ယုတ်အတူတကွအလွန်ဆင်တူအုပ်စုများရှိလူများအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုစုပေါင်းပြီးတစ်စာရင်းအင်းမော်ဒယ်အသုံးပြုသည်။

မစ္စတာ "ထို့ကြောင့်ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များ multilevel ဆုတ်ယုတ်ခြင်းနှင့် Post-stratification ပေါင်းစပ်ထားတဲ့ချဉ်းကပ်နည်းကိုသုံး, ဒါကြောင့်သူတို့ကပိုခစျြစနိုး, Post-stratification နှင့်အတူ၎င်းတို့၏မဟာဗျူဟာ multilevel ဆုတ်ယုတ်ကိုခေါ်သို့မဟုတ် ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များက Xbox Non-ဖြစ်နိုင်ခြေနမူနာအနေဖြင့်ခန့်မှန်းတွက်ချက်မှုလုပ်မစ္စတာပီကိုအသုံးပြုတဲ့အခါမှာ P. "သူတို့အိုဘားမားက 2012 ရွေးကောက်ပွဲကို (ပုံ 3.8) တွင်လက်ခံရရှိကြောင်းအလုံးစုံထောက်ခံမှုရန်အလွန်နီးကပ်ခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ တကယ်တော့သူတို့ရဲ့ခန့်မှန်းချက်ရိုးရာအများပြည်သူထင်မြင်ချက်ရွေးကောက်ပွဲတစ်ခုစုစုပေါင်းထက်ပိုမိုတိကျမှန်ကန်ခဲ့သညျ။ ထို့ကြောင့်ဤကိစ္စတွင်အတွက်, စာရင်းအင်းချိန်ညှိ-အထူးမစ္စတာ Non-ဖြစ်နိုင်ခြေဒေတာအတွက်ဘက်လိုက်မှုဆုံးကောင်းတစ်ဦးအလုပ်လုပ်ဖို့ P. -ပုံရသည်; သင် unadjusted, Xbox ဒေတာကနေခန့်မှန်းချက်ကိုကြည့်တဲ့အခါမှာရှင်းရှင်းလင်းလင်းမြင်နိုင်ခဲ့ဘက်လိုက်မှု။

ဒဗလျူဝမ် et al ကနေခန့်မှန်း: 3.8 ပုံ။ (2015) ။ Unadjusted Xbox နမူနာတိခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ ဒါပေမယ့်အလေးချိန် Xbox နမူနာဖြစ်နိုင်ခြေ-based တယ်လီဖုန်းစစ်တမ်းများပျမ်းမျှထက်ပိုမိုတိကျမှန်ကန်ခဲ့ခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ ဒဗလျူဝမ် et al ထံမှအဆင်ပြေအောင်။ (2015), 2 ရက်နှင့် 3 ကိန်းဂဏန်းများ။

ကနေခန့်မှန်း: 3.8 ပုံ W. Wang et al. (2015) ။ Unadjusted Xbox နမူနာတိခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ ဒါပေမယ့်အလေးချိန် Xbox နမူနာဖြစ်နိုင်ခြေ-based တယ်လီဖုန်းစစ်တမ်းများပျမ်းမျှထက်ပိုမိုတိကျမှန်ကန်ခဲ့ခန့်မှန်းချက်ကိုထုတ်လုပ်ခဲ့ပါတယ်။ ကနေအဆင်ပြေအောင် W. Wang et al. (2015) , 2 နှင့် 3 ကိန်းဂဏန်းများ။

ဝမ်နှင့်လုပ်ဖော်ကိုင်ဖက်များ၏လေ့လာမှုကနေနှစ်ခုအဓိကသင်ခန်းစာများရှိပါတယ်။ ပထမဦးစွာ unadjusted Non-ဖြစ်နိုင်ခြေနမူနာမကောင်းတဲ့ခန့်မှန်းဖို့ဦးဆောင်လမ်းပြနိုင်, ဒီအများကြီးသုတေသီများမတိုင်မီစကားကိုသင်တို့ကြားရပြီတဲ့သင်ခန်းစာဖြစ်ပါတယ်။ ဒုတိယသင်ခန်းစာ, စနစ်တကျခွဲခြမ်းစိတ်ဖြာသည့်အခါသို့သော်, Non-ဖြစ်နိုင်ခြေနမူနာကြောင်းအမှန်တကယ်အကောင်းခန့်မှန်းချက်ထုတ်လုပ်နိုင်သည်; Non-ဖြစ်နိုင်ခြေနမူနာသည့်စာပေ Digest မဂ္ဂဇင်း fiasco တူတစ်ခုခုဖို့ဦးဆောင်လမ်းပြအလိုအလျှောက်စရာမလိုပေ။

သင်တစ်ဦးဖြစ်နိုင်ခြေနမူနာချဉ်းကပ်မှုနှငျ့သငျခကျခဲတဲ့ရွေးချယ်မှုရင်ဆိုင်ရ non-ဖြစ်နိုင်ခြေနမူနာချဉ်းကပ် အသုံးပြု. အကြားဆုံးဖြတ်ဖို့ကြိုးစားနေကြတယ်သည်မှန်လျှင်, ရှေ့ဆက် Going ။ တခါတရံမှာသုတေသီများ (ဥပမာအမြဲဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများအသုံးပြုနိုင်သည်) တစ်ဦးအမြန်နှင့်တင်းကျပ်အုပ်ချုပ်မှုကိုချင်ပေမယ့်ထိုကဲ့သို့စည်းကမ်းပူဇော်ဖို့ ပို. ပို. ခက်ခဲသည်။ သုတေသီများ ပို. ပို. စျေးကြီးနှင့်၎င်းတို့၏အသုံးပြုမှုနှင့် Non-ဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများ-ရသောစျေးနှုန်းချိုသာခြင်းနှင့်ပိုမြန်ပေမယ့်ဒီထက်အကျွမ်းတဝင်နှင့်ပိုပြီးမတူညီကြသည်ကိုအပြစ်လွတ်သောသီအိုရီရလဒ်များကိုဝေးနေသောအလေ့အကျင့်-in ကိုဖြစ်နိုင်ခြေနမူနာနည်းလမ်းများအကြားခက်ခဲရွေးချယ်မှုရင်ဆိုင်နေကြရသည်။ သငျသညျ (ကျောအခန်း 2 ထင်) Non-ဖြစ်နိုင်ခြေနမူနာသို့မဟုတ် nonrepresentative ကြီးတွေဒေတာသတင်းရင်းမြစ်နှင့်အတူအလုပ်လုပ်ရန်ရန်အတင်းအကျပ်ခိုင်းစေလျှင်ရှင်းရှင်းလင်းလင်းကြောင်းအရာတစ်ခုမှာ, သို့သော်, ထို့နောက် Post-stratification သုံးပြီးခန့်မှန်းချက်ကိုဖန်ဆင်းသည်ဟုယုံကြည်ရန်ခိုင်မာသောအကြောင်းပြချက်လည်းမရှိကြောင်းနှင့် related နည်းစနစ် unadjusted, ကုန်ကြမ်းခန့်မှန်းချက်ထက်ပိုကောင်းပါလိမ့်မည်။